跨材料神经网络催化剂

通过跨材料机器学习发现的析氧催化剂，其活性超越此前所有候选材料。

Junseok, Moon · Shim, Jaehyuk · Sungeun, Heo · Kim, Jeonghyun · Bootharaju, Megalamane Siddaramappa · Lee, Kug-seung · Ryu, Jaeyune · Sung, Yung-Eun · Hyeon, Taeghwan · ORecord 科技单元

Nature Materials 2026

技术优势

跨材料预测

模型通过识别共描述符，统一了单原子碳载体催化剂和块体钙钛矿氧化物的实验数据，能够预测未训练材料类别上的催化活性。

超越已知设计空间

跨材料机器学习加速了高性能催化剂的发现，所发现的多金属催化剂活性优于所有先前候选材料。

可解释的预测

可解释机器学习揭示了描述符重要性和表面原子贡献与活性趋势之间的关联，为理性设计提供依据。

应用场景

• 析氧反应：加速析氧催化剂的跨材料发现，降低电解水阳极过电位。
• 电解水：为电解水提供高性能阳极催化剂，提升绿氢制备效率。
• 电化学能源：发现可应用于电化学能源转化过程的高效催化剂。